CN108830422B - 智能驾驶的优化方法、装置及系统 - Google Patents

Abstract

本发明提供一种智能驾驶的优化方法、装置及系统，属于智能驾驶技术领域。该优化方法包括：S1、接收智能驾驶优化请求，并确定多个综合方案；S2、获取历史综合方案；S3、根据各综合方案和历史综合方案，依照稀疏卷积神经网络优化分析策略选择出最优的综合方案作为当前的推荐方案；S4、根据历史综合方案和当前的推荐方案，判断预设的第一评价条件是否满足，若是则输出当前的推荐方案；若否，则执行S5；S5、根据当前的各综合方案和历史优化方案，依照奖惩优化策略对当前的各综合方案进行优化，得出优化后的各综合方案，之后重复S3和S4进行迭代，直至判断出第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。

Description

智能驾驶的优化方法、装置及系统

技术领域

本发明属于智能驾驶技术领域，具体涉及一种智能驾驶的优化方法、装置及系统。

背景技术

随着物联网迅猛发展，智能驾驶终端设备的数量迅速增加，同时智能驾驶终端设备所产生数据量已达到泽字节(ZB)级别。利用现有的云计算系统进行集中式数据处理过程中，高延迟、高流量成本、识别准确度低等问题日益突出。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种能够降低时延和流量成本，提高识别准确度的智能驾驶的优化方法。

解决本发明技术问题所采用的技术方案是一种智能驾驶的优化方法，包括：

S1、接收各智能驾驶终端发送的智能驾驶优化请求，并根据所述智能驾驶优化请求确定多个当前的综合方案，每个所述综合方案中都包括对应所述智能驾驶优化请求的处理信息，其中，不同综合方案中至少一个同一智能驾驶优化请求的处理信息不同；所述处理信息包括：时延、流量成本、识别准确度中的至少一者；

S2、获取历史综合方案，所述历史综合方案包括历史处理信息；

S3、根据当前的各综合方案中的处理信息和历史处理信息，依照预设的稀疏卷积神经网络优化分析策略进行优化分析，从所述各综合方案中选择出最优的综合方案作为当前的推荐方案；

S4、根据历史综合方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；当判断出预设的第一评价条件不满足时，则执行步骤S5；

S5、根据当前的各综合方案和历史优化方案，依照预设的奖惩优化策略对当前的各综合方案进行优化，得出优化后的各综合方案，之后重复步骤S3和S4进行迭代，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。

优选的，所述处理信息包括：时延、流量成本、识别准确度；

每个综合方案中的各处理信息以三维信息向量的形式存储为：

其中，k为迭代次数，

为第k次迭代的综合方案M中坐标为(i,j,t)的处理信息，且i＝1,2,…m，j＝1,2,…n，t＝1,2,…p，

分别为处理信息

的第k次迭代的时延、流量成本和识别准确度。

进一步优选的，所述步骤S3具体包括：

根据当前的各综合方案的处理信息确定所有综合方案中的当前最小处理信息；

根据历史处理信息确定最小历史处理信息；

根据当前的各综合方案中的处理信息、当前最小处理信息、最小历史处理信息，依照多维稀疏卷积神经网络优化分析策略进行优化分析，从所述当前的各综合方案中选择出最优的综合方案作为推荐方案。

进一步优选的，所述多维稀疏卷积神经网络优化分析策略具体为：

α、β∈(0,1)，α+β＝1，

其中，M^minK为最小处理信息，M^minG为最小历史处理信息。

进一步优选的，所述第一评价条件具体为：

其中，L^minG为历史最小时延、C^minG为历史最小流量成本、S^maxG为历史最大识别准确度。

进一步优选的，所述奖惩优化策略具体为：

其中，L^minG为历史最小时延、C^minG为历史最小流量成本、S^maxG为历史最大识别准确度、M^minG为历史最小处理信息、M^minK为第k次迭代的最小处理信息、

为第k+1次迭代的综合方案M中坐标为(i,j,t)的处理信息，且i＝1,2,…m，j＝1,2,…n，t＝1,2,…p，

为第k次迭代的平均时延、

为第k次迭代的平均流量成本、

为第k次迭代的平均识别准确度。

解决本发明技术问题所采用的技术方案是一种一种智能驾驶的优化装置，包括：

接收单元，用于接收各智能驾驶终端发送的智能驾驶优化请求，并更根据所述智能驾驶优化请求确定多个当前的综合方案，每个所述综合方案中都包括对应所述智能驾驶优化请求的处理信息，其中，不同综合方案中至少一个同一智能驾驶优化请求的处理信息不同；所述处理信息包括：时延、流量成本、识别准确度中的至少一者；

历史获取单元，用于获取历史综合方案，所述历史综合方案包括历史处理信息；

分析单元，用于根据当前的各综合方案中的处理信息和历史处理信息，依照预设的稀疏卷积神经网络优化分析策略进行优化分析，从所述各综合方案中选择出最优的综合方案作为当前的推荐方案；

评价单元，用于根据历史综合方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；

优化单元，当判断出预设的第一评价条件不满足时，根据当前的各综合方案和历史优化方案，依照预设的奖惩优化策略对当前的各综合方案进行优化，得出优化后的各综合方案，发送给分析单元，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。

解决本发明技术问题所采用的技术方案是一种智能驾驶的优化系统，包括：

上述智能驾驶的优化装置；

多个智能驾驶终端，用于向所述接收单元发送智能驾驶优化请求。

优选的，所述智能驾驶的优化系统还包括：边缘处理单元，用于接收并处理智能驾驶终端发出的部分智能驾驶优化请求；

所述边缘处理单元设于所述智能驾驶终端本地，且所述边缘处理单元与智能驾驶的优化装置接收的智能驾驶优化请求不同。

优选的，所述智能驾驶的优化系统还包括：

网络传输单元，用于传输所述智能驾驶终端发出的智能驾驶优化请求。

本发明的智能驾驶的优化方法中，基于各智能驾驶终端发送的智能驾驶优化请求确定多个综合方案，根据各综合方案中的各处理信息、以及历史综合方案中的历史处理信息等，多个综合方案选择一个最优的综合方案最为推荐方案输出，当不满足输出条件时，通过对各综合方案进行一次或者多次迭代优化分析，确定出其中最优的综合方案(推荐方案)，从而使最终得出的综合方案具有低时延、低流量成本、高识别准确度等效果。

附图说明

图1为本发明的实施例1的智能驾驶的优化方法的流程图；

图2为本发明的实施例2的智能驾驶的优化装置的框图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

实施例1：

如图1所示，本实施例提供一种智能驾驶的优化方法。具体以请求为智能驾驶终端发出的智能驾驶优化请求为例进行说明。

该智能驾驶的优化方法包括如下步骤：

S1、接收各智能驾驶终端发送的智能驾驶优化请求，并根据智能驾驶优化请求确定多个当前的综合方案，每个综合方案中都包括对应智能驾驶优化请求的处理信息，其中，不同综合方案中至少一个同一智能驾驶优化请求的处理信息不同。

智能驾驶优化请求的内容具体包括驾驶通信、驾驶定位、路径管理等。本步骤中，根据各智能驾驶终端发出的智能驾驶优化请求综合处理确定出多种可实现方案(综合方案)，综合方案中都有应对各智能驾驶终端的智能驾驶优化请求的请求结果，以满足各智能驾驶终端的智能驾驶优化请求。但是由于不同综合方案中对应同一智能驾驶优化请求的处理信息(例如时延、流量成本、识别准确度等)不同，即导致各综合方案整体各自有各自的优缺点。本实施例中，通过对各综合方案进行一次或者多次迭代优化分析，确定出其中最优的综合方案，从而使最终得出的综合方案具有低时延、低流量成本、高识别准确度等效果。

本实施例中，处理信息包括时延、流量成本、识别准确度中的至少一者。以下以处理信息包括时延、流量成本、识别准确度三者为例对该智能驾驶的优化方法进行具体说明。

其中，每个综合方案中的各处理信息以三维信息向量的形式存储为：

k为迭代次数，

为第k次迭代的综合方案M中坐标为(i,j,t)的处理信息，且i＝1,2,…m，j＝1,2,…n，t＝1,2,…p，

分别为处理信息

的第k次迭代的时延、流量成本和识别准确度。

S2、获取历史综合方案，历史综合方案包括历史处理信息。

对应的，历史综合方案中的历史处理信息也以三维信息向量的形式存储。

S3、根据当前的各综合方案中的处理信息和历史处理信息，依照预设的稀疏卷积神经网络优化分析策略进行优化分析，从各综合方案中选择出最优的综合方案作为当前的推荐方案。

优选的，本步骤具体包括：

S31、根据当前的各综合方案的处理信息确定所有综合方案中的当前最小处理信息。

S32、根据历史处理信息确定最小历史处理信息。

S33、根据当前的各综合方案中的处理信息、当前最小处理信息、最小历史处理信息，依照多维稀疏卷积神经网络优化分析策略进行优化分析，从当前的各综合方案中选择出最优的综合方案作为推荐方案。

进一步优选，稀疏卷积神经网络优化分析策略具体为：

其中，α、β∈(0,1)，α+β＝1，M^minK为第k次迭代的最小处理信息，M^minG为最小历史处理信息。即本步骤中，优选根据各综合方案中所有处理信息以及最小处理信息和最小历史处理信息，计算出在第k次迭代中各综合方案对应的Z值，其中对应Z值最小的综合方案为最优的综合方案(即推荐方案)。

S4、根据历史综合方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；当判断出预设的第一评价条件不满足时，则执行步骤S5。

本步骤中，依照第一评价条件对步骤S4中选出的最优的综合方案(即当前的推荐方案)进行评价，以确定该推荐方案是否能够输出作为最终结果。

具体的，本步骤中根据历史综合方案中的所有历史处理信息中的历史最小时延、历史最小流量成本、历史最大识别准确度，以及当前的推荐方案中的各处理信息中的时延、流量成本和识别准确度判断第一评价条件是否满足，若满足，则输出当前的推荐方案；若不满足，则执行步骤S5，重新选择新的推荐方案。

优选的，第一评价条件具体为：

ε∈(0,1)，其中，L^minG为历史最小时延、C^minG为历史最小流量成本、S^maxG为历史最大识别准确度。

S5、根据当前的各综合方案和历史优化方案，依照预设的奖惩优化策略对当前的各综合方案进行优化，得出优化后的各综合方案，之后重复步骤S3和S4进行迭代，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。

由于步骤S4中的第一评价条件不满足，即步骤S3中选出的推荐方案没有达到输出要求，需要重新选择新的综合方案最为推荐方案。而由于步骤S4中的推荐方案为步骤S3中从所有的综合方案中选出的最优方案，既然步骤S4中的推荐方案不能满足输出，那么其它综合方案也不能满足输出。因此，本步骤中，依照预设的奖惩优化策略对当前的各综合方案进行优化，得出优化后的各综合方案，之后返回步骤S3，重新从优化后的各综合方案中选择推荐方案，并通过步骤S4再次判断重新选出的推荐方案是否满足第一评价条件，以进行输出或是再次进行优化。通过如此一次次地迭代，将各综合方案不断地进行优化，最终输出一个最优的综合方案(即推荐方案)。在此需要说明的是，当迭代次数达到一定阈值时，可认为此时选出的推荐方案已无限接近于能够满足第一评价条件，故即使该推荐方案仍不能满足第一评价条件，也可输出该推荐方案，以避免无限次数地进行迭代优化，造成计算资源的浪费。

具体的，本步骤中，可依照奖惩优化策略，结合历史综合方案中的各处理信息对各综合方案中的各处理信息进行优化更新，从而实现对各综合方案的优化更新。优选的，对任意一个综合方案中的处理信息，都可通过奖惩优化策略进行优化更新。该奖惩优化策略具体可为：

其中，

为第k+1次迭代的综合方案M中坐标为(i,j,t)的处理信息，即优化更新后的综合方案M中坐标为(i,j,t)的处理信息、

为第k次迭代的综合方案M中坐标为(i,j,t)的处理信息，即优化更新前的综合方案M中坐标为(i,j,t)的处理信息、L^minG为历史最小时延、C^minG为历史最小流量成本、S^maxG为历史最大识别准确度、M^minG为历史最小处理信息、M^minK为第k次迭代的最小处理信息，即优化更新前的各综合方案中的最小处理信息、

为第k次迭代的平均时延，即优化更新前的所有综合方案中的所有处理信息的平均时延、

为第k次迭代的平均流量成本，即优化更新前的所有综合方案中的所有处理信息的平均流量成本、

为第k次迭代的平均识别准确度，即优化更新前的所有综合方案中的所有处理信息的平均识别准确度。

综上，本实施例提供的智能驾驶的优化方法中，基于各智能驾驶终端发送的智能驾驶优化请求确定多个综合方案，根据各综合方案中的各处理信息、以及历史综合方案中的历史处理信息等，多个综合方案选择一个最优的综合方案最为推荐方案输出，当不满足输出条件时，通过对各综合方案进行一次或者多次迭代优化分析，确定出其中最优的综合方案(推荐方案)，从而使最终得出的综合方案具有低时延、低流量成本、高识别准确度等效果。

实施例2：

如图2所示，本实施例提供一种智能驾驶的优化装置，其可根据实施例1提供的智能驾驶的优化方法对智能驾驶终端发出的请求进行处理。该智能驾驶的优化装置包括：接收单元、历史获取单元、分析单元、评价单元和优化单元。

其中，接收单元用于接收各智能驾驶终端发送的智能驾驶优化请求，并更根据智能驾驶优化请求确定多个当前的综合方案，每个综合方案中都包括对应智能驾驶优化请求的处理信息，其中，不同综合方案中至少一个同一智能驾驶优化请求的处理信息不同；处理信息包括：时延、流量成本、识别准确度中的至少一者。

优选的，处理信息包括：时延、流量成本、识别准确度三者。历史获取单元用于获取历史综合方案，历史综合方案包括历史处理信息。

分析单元用于根据当前的各综合方案中的处理信息和历史处理信息，依照预设的稀疏卷积神经网络优化分析策略进行优化分析，从各综合方案中选择出最优的综合方案作为当前的推荐方案。

评价单元用于根据历史综合方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案。

优化单元当判断出预设的第一评价条件不满足时，根据当前的各综合方案和历史优化方案，依照预设的奖惩优化策略对当前的各综合方案进行优化，得出优化后的各综合方案，发送给分析单元，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。

优选的，本实施例中还包括基础设施单元，用于向上述的接收单元、历史获取单元、分析单元、评价单元和优化单元提供计算资源、IT虚拟资源、IT物理资源等的支持，保证智能驾驶的优化装置的工作运行。

本实施例提供的智能驾驶的优化装置，基于各智能驾驶终端发送的智能驾驶优化请求确定多个综合方案，根据各综合方案中的各处理信息、以及历史综合方案中的历史处理信息等，多个综合方案选择一个最优的综合方案最为推荐方案输出，当不满足输出条件时，通过对各综合方案进行一次或者多次迭代优化分析，确定出其中最优的综合方案(推荐方案)，从而使最终得出的综合方案具有低时延、低流量成本、高识别准确度等效果。

实施例3：

本实施例提供一种智能驾驶的优化系统，包括：实施例2中提供的任意一种智能驾驶的优化装置、多个智能驾驶终端。其中，智能驾驶终端可向智能驾驶的优化装置发送智能驾驶优化请求。

优选的，智能驾驶的优化系统还包括：网络传输单元，用于将智能驾驶终端发出的智能驾驶优化请求通过网络传输至智能驾驶的优化装置。网络传输单元具体可包括：运营商基站、卫星等设备。

进一步的，智能驾驶的优化系统还包括：网关单元，其可包括多个驾驶网关，用于保证智能驾驶的优化系统中网络传输的安全性。

优选的，智能驾驶的优化系统还包括边缘处理单元，用于接收并处理智能驾驶终端发出的部分智能驾驶优化请求。该边缘处理单元可设置于智能驾驶终端本地，其具有一定的智能驾驶优化请求处理能力，能够直接处理智能驾驶终端发出的部分智能驾驶优化请求。且边缘处理单元与智能驾驶的优化装置接收的智能驾驶优化请求不同，也即，智能驾驶终端本地可处理部分智能驾驶优化请求，其只需要将边缘处理单元无法处理的剩余智能驾驶优化请求发送至智能驾驶的优化装置进行处理即可，从而至少部分解决智能驾驶优化请求在传输过程中造成的高时延、高流量成本的问题。

本实施例提供的智能驾驶的优化系统中，智能驾驶终端发送智能驾驶优化请求后，通过网络传输单元发送至智能驾驶的优化装置，智能驾驶的优化装置基于各智能驾驶终端发送的智能驾驶优化请求最终确定出一个最优的综合方案，并通过网络传输单元返回至各智能驾驶终端。其中，智能驾驶的优化装置在确定最优的综合方案的过程中，基于各智能驾驶终端发送的智能驾驶优化请求确定多个综合方案，根据各综合方案中的各处理信息、以及历史综合方案中的历史处理信息等，多个综合方案选择一个最优的综合方案作为推荐方案输出，当不满足输出条件时，通过对各综合方案进行一次或者多次迭代优化分析，确定出其中最优的综合方案(推荐方案)，从而使最终得出的综合方案具有低时延、低流量成本、高识别准确度等效果，进而使得智能驾驶的优化系统能够实现低时延、低流量成本、高识别准确度。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (8)

1.一种智能驾驶的优化方法，其特征在于，包括：

S1、接收各智能驾驶终端发送的智能驾驶优化请求，并根据所述智能驾驶优化请求确定多个当前的综合方案，每个所述综合方案中都包括对应所述智能驾驶优化请求的处理信息，其中，不同综合方案中至少一个同一智能驾驶优化请求的处理信息不同；所述处理信息包括：时延、流量成本、识别准确度中的至少一者；

S2、获取历史综合方案，所述历史综合方案包括历史处理信息；

S3、根据当前的各综合方案中的处理信息和历史处理信息，依照预设的多维稀疏卷积神经网络优化分析策略进行优化分析，从所述各综合方案中选择出最优的综合方案作为当前的推荐方案；

S4、根据历史综合方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；当判断出预设的第一评价条件不满足时，则执行步骤S5；

S5、根据当前的各综合方案和历史优化方案，依照预设的奖惩优化策略对当前的各综合方案进行优化，得出优化后的各综合方案，之后重复步骤S3和S4进行迭代，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。

2.根据权利要求1所述的智能驾驶的优化方法，其特征在于，

所述处理信息包括：时延、流量成本、识别准确度；

每个综合方案中的各处理信息以三维信息向量的形式存储为：

其中，k为迭代次数，

为第k次迭代的综合方案M中坐标为(i，j，t)的处理信息，且i＝1，2，...，m，j＝1，2，...，n，t＝1，2，...，p，i为

在三维坐标中的第一坐标维度的坐标值，j为

在三维坐标中的第二坐标维度的坐标值，t为

在三维坐标中的第三坐标维度的坐标值，

分别为处理信息

的第k次迭代的时延、流量成本和识别准确度。

3.根据权利要求2所述的智能驾驶的优化方法，其特征在于，所述步骤S3具体包括：

根据当前的各综合方案的处理信息确定所有综合方案中的当前最小处理信息；

根据历史处理信息确定最小历史处理信息；

根据当前的各综合方案中的处理信息、当前最小处理信息、最小历史处理信息，依照所述多维稀疏卷积神经网络优化分析策略进行优化分析，从所述当前的各综合方案中选择出最优的综合方案作为推荐方案。

4.根据权利要求3所述的智能驾驶的优化方法，其特征在于，所述多维稀疏卷积神经网络优化分析策略具体为：

α、β∈(0，1)，α+β＝1，

其中，M^minK为当前最小处理信息，M^minG为最小历史处理信息。

5.一种智能驾驶的优化装置，其特征在于，包括：

接收单元，用于接收各智能驾驶终端发送的智能驾驶优化请求，并更根据所述智能驾驶优化请求确定多个当前的综合方案，每个所述综合方案中都包括对应所述智能驾驶优化请求的处理信息，其中，不同综合方案中至少一个同一智能驾驶优化请求的处理信息不同；所述处理信息包括：时延、流量成本、识别准确度中的至少一者；

历史获取单元，用于获取历史综合方案，所述历史综合方案包括历史处理信息；

分析单元，用于根据当前的各综合方案中的处理信息和历史处理信息，依照预设的多维稀疏卷积神经网络优化分析策略进行优化分析，从所述各综合方案中选择出最优的综合方案作为当前的推荐方案；

评价单元，用于根据历史综合方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；

优化单元，当判断出预设的第一评价条件不满足时，根据当前的各综合方案和历史优化方案，依照预设的奖惩优化策略对当前的各综合方案进行优化，得出优化后的各综合方案，发送给分析单元，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。

6.一种智能驾驶的优化系统，其特征在于，包括：

权利要求5所述的智能驾驶的优化装置；

多个智能驾驶终端，用于向所述接收单元发送智能驾驶优化请求。

7.根据权利要求6所述的智能驾驶的优化系统，其特征在于，还包括：

边缘处理单元，用于接收并处理智能驾驶终端发出的部分智能驾驶优化请求；

所述边缘处理单元设于所述智能驾驶终端本地，且所述边缘处理单元与智能驾驶的优化装置接收的智能驾驶优化请求不同。

8.根据权利要求6所述的智能驾驶的优化系统，其特征在于，还包括：

网络传输单元，用于传输所述智能驾驶终端发出的智能驾驶优化请求。

Images